BenchLeader

Gemini 3.1 Flash Lite vs Muse Ember

完整资料:Gemini 3.1 Flash Lite(Google)和 Muse Ember(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,Gemini 3.1 Flash Lite 与 Muse Ember 的质量不相上下(BenchLeader Index 52.6 比 52.1,在 ±6.3 的误差范围内)。Muse Ember 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $0.200 比 $0.563)。在两者都有成绩的所有类别中,Muse Ember 均领先。Muse Ember 输出更快。

要点(截至 2026年11月16日)

  • Gemini 3.1 Flash Lite 的 BenchLeader Index 为 52.6,Muse Ember 为 52.1(BenchLeader,2026年11月16日)。
  • Gemini 3.1 Flash Lite 每百万 token 混合价格为 $0.563(标价,2026年11月16日)。
  • Muse Ember 每百万 token 混合价格为 $0.200(标价,2026年11月16日)。
  • Muse Ember 比 Gemini 3.1 Flash Lite 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 13 项基准测试中,Muse Ember 领先 12 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3.1 Flash Lite 的评分为 1256,Muse Ember 为 1609(LMArena,截至 2026年11月16日 的公布数据)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程Muse Ember类别得分 60 比 43;Arena WebDev 1609 比 1256高
智能体与工具调用Muse Ember类别得分 52 比 43;AutomationBench 68.1% 比 6.8%高
推理Muse Ember类别得分 51 比 41;HLE-Diamond (AA) 25.1% 比 9.0%高
知识Muse Ember类别得分 49 比 44;AA-Omniscience v1.1 7.4 比 -24.1中
对话质量(人类偏好)–只有 Gemini 3.1 Flash Lite 有 Arena 评分(类别得分 61)无法比较
成本最低Muse Ember每百万 token 混合价格 $0.200 比 $0.563;智能体编程会话 $0.008 比 $0.021–
首次回答最快Gemini 3.1 Flash Lite首个回答 token 3.5 秒(Gemini 3.1 Flash Lite)比 5.0 秒(Muse Ember (max))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • Gemini 3.1 Flash Lite 与 Muse Ember (max) 的质量不相上下(52.6 比 52.1,在 ±6.3 的误差范围内)。
  • Muse Ember (max) 在智能体与工具、编程、知识、推理方面更强。
  • Muse Ember (max) 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $0.200 比 $0.563)。
  • Muse Ember (max) 的输出速度是对方的 1.4 倍(437 比 301 token/秒)。

概览

规格Gemini 3.1 Flash LiteMuse Ember
提供商GoogleMeta
发布日期2026年3月3日2026年11月9日
上下文窗口(token)1,048,5761,048,576
对比时的配置Gemini 3.1 Flash LiteMuse Ember (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.250 / $1.50 / $0.025$0.100 / $0.500 / $0.0040

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Gemini 3.1 Flash LiteMuse Ember (max)领先者
推理41.351.1Muse Ember
编程42.660.0Muse Ember
智能体与工具43.152.4Muse Ember
数学61.3–无法比较
知识44.248.8Muse Ember
指令遵循62.7–无法比较
人类偏好61.2–无法比较
多模态57.7–无法比较
长上下文61.7–无法比较

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具知识Gemini 3.1 Flash Lite, 推理: 41.3Gemini 3.1 Flash Lite, 编程: 42.6Gemini 3.1 Flash Lite, 智能体与工具: 43.1Gemini 3.1 Flash Lite, 知识: 44.2Muse Ember, 推理: 51.1Muse Ember, 编程: 60.0Muse Ember, 智能体与工具: 52.4Muse Ember, 知识: 48.8

未绘制(测得的模型少于两个):数学, 指令遵循, 长上下文, 多模态, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 13 项基准测试中,Gemini 3.1 Flash Lite 领先 1 项,Muse Ember 领先 12 项。所有同时评测两者的综合评分都认为 Muse Ember 更强。

综合 IndexGemini 3.1 Flash LiteMuse Ember (max)领先者
BenchLeader Index52.652.1不相上下
AA Intelligence Index v5.0.16.236.0Muse Ember

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Gemini 3.1 Flash LiteMuse Ember (max)
每百万 token 混合价格$0.563$0.200
每百万 token 输入 / 输出$0.250 / $1.50$0.100 / $0.500
每百万 token 缓存输入$0.025$0.0040
每项任务价格:聊天回复$0.0006$0.0002
每项任务价格:总结一份 30 页的报告$0.0039$0.0015
每项任务价格:代码编辑$0.0038$0.0014
每项任务价格:智能体编程会话$0.021$0.0080
每项任务价格:结构化信息提取$0.0008$0.0003
智能体编程会话(输入大多命中缓存)$0.011$0.0037
每项基准测试任务成本(AA Index)$0.194$0.136
每项任务输出 token(AA Index)16k84k
其中推理部分11k52k
每项任务耗时(AA Index)53 s3 min
输出速度301 tok/s437 tok/s
首次回答时间3.5 秒5.0 秒
完整回答耗时(最近一次测量 2026年11月13日)7.5 秒12.9 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Gemini 3.1 Flash Lite 上花费 $0.194,在 Muse Ember (max) 上花费 $0.136;完成同样的工作,Muse Ember (max) 输出的 token 是对方的 5.3 倍,这是只看 token 单价看不出来的。

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.1 Flash Lite 得分 52.6,首个回答 token 需 4 秒;Gemini 3.1 Flash Lite (high) 为 48.4(4 秒)。Muse Ember (max) 得分 52.1,首个回答 token 需 5 秒;Muse Ember (xhigh) 为 49.1(4 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 104 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Gemini 3.1 Flash LiteMuse Ember (max)
BenchLeader IndexBenchLeader52.652.1
智能体与工具得分BenchLeader43.152.4
编程得分BenchLeader42.660.0
人类偏好得分BenchLeader61.2–
指令遵循得分BenchLeader62.7–
知识得分BenchLeader44.248.8
长上下文得分BenchLeader61.7–
数学得分BenchLeader61.3–
多模态得分BenchLeader57.7–
推理得分BenchLeader41.351.1
混合价格(美元/百万 token)BenchLeader$0.563$0.200
输出速度BenchLeader301 tok/s437 tok/s
首次回答时间BenchLeader3.5 秒5.0 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub81.8%†–
Humanity's Last ExamScale AI / CAIS8.6%–
SimpleBenchSimpleBench–72.7%†
Arena Hard PromptsArena (LMArena)1445–
GPQA Diamond (AA)Artificial Analysis82.2%–
Humanity's Last Exam (AA)Artificial Analysis17.2%–
HLE-Diamond (AA)Artificial Analysis9.0%25.1%
GPQA Diamond (Vals)Vals AI81.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.2%–
CritPtArtificial Analysis1.1%–
CritPt v2 hard subset (AA)Artificial Analysis3.0%39.0%
Arena ExpertArena (LMArena)1445–
LMCAEpoch AI Benchmarking Hub35.0%†–
DTBenchEpoch AI Benchmarking Hub76.8%†–
ForecastBenchForecastBench62.6%–
编程
SciCodeSciCode43.4%–
WeirdMLWeirdML52.2%–
Arena CodingArena (LMArena)1458–
Arena WebDevArena (LMArena)12561609
LiveCodeBenchVals AI80.1%–
SWE-bench (Vals)Vals AI62.8%†–
Code MigrationVals AI4.6%†–
ProgramBenchVals AI0.0%†–
Vibe Code Bench v1.1Vals AI0.0%†83.7%
SWE Atlas v1.1Scale AI SEAL–56.0%†
显示全部 104 项基准测试
指标发布方Gemini 3.1 Flash LiteMuse Ember (max)
编程
SWE Atlas v1.1: Codebase QnAScale AI SEAL–61.3%†
SWE Atlas v1.1: Test WritingScale AI SEAL–56.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–50.0%†
ALE-BenchEpoch AI Benchmarking Hub797.7–
Terminal-Bench 4.0 (AA)Artificial Analysis0.5%40.9%
Terminal-Bench 2.1 (AA)Artificial Analysis31.1%–
GameBench 2 by reasoning settingDuelLab GameBench 215.4†–
Design Arena WebsiteDesign Arena10741330†
FrontierCode 2.0 (AA)Artificial Analysis0.6%27.2%
智能体与工具
Terminal-BenchTerminal-Bench–30.6%†
APEX-AgentsMercor–64.3%†
Arena AgentArena (LMArena)–1.7
Terminal-Bench HardArtificial Analysis24.2%–
τ²-Bench Telecom (AA)Artificial Analysis31.3%–
Terminal-Bench 2.1 (Vals)Vals AI34.1%†–
MCP AtlasScale AI SEAL57.1%†–
GDPval-AA v2.1Artificial Analysis438–
τ³-Banking (AA)Artificial Analysis9.7%–
Analyst Agent (AA)Artificial Analysis8.8%–
APEX-Agents (AA)Artificial Analysis12.2%–
Finance Agent v2Vals AI30.0%†–
Finance Agent v2.1Vals AI–63.8%
Harvey's Legal Agent Benchmark v1.1Vals AI–25.0%
Harvey's Legal Agent Benchmark v1Vals AI0.0%†–
Legal Research BenchVals AI3.4%†49.0%
Tax Agent BenchVals AI3.1%†38.2%
Terminal-Bench 2.0 (Vals)Vals AI24.7%†–
Terminal-Bench 4.0 (Vals)Vals AI–39.4%
Arena Agent Task CompletionArena (LMArena)–-7.6
DeepResearch BenchDeepResearch Bench36.4%–
AutomationBenchArtificial Analysis6.8%68.1%
GDP.pdf (AA)Artificial Analysis7.8%22.8%
EnterpriseOps-GymArtificial Analysis28.0%–
AA-Briefcase v1.1Artificial Analysis2081520
Terminal-Bench-Science 0.1 (AA)Artificial Analysis0.0%20.0%
BrowseCompOpenAI1.1%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub27.7%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub80.0%†–
AIME (Vals)Vals AI83.3%†–
Arena MathsArena (LMArena)1436–
知识
AA-Omniscience v1.1Artificial Analysis-24.17.4
MMLU-ProVals AI86.2%–
LegalBenchVals AI83.8%†–
CorpFinVals AI59.4%†–
TaxEvalVals AI71.8%†–
MultiNRCScale AI SEAL25.0%–
CaseLaw v2Vals AI55.0%†–
Excel Modeling BenchmarkVals AI8.6%†–
Excel Modeling Benchmark v1.1Vals AI–72.2%
MedCodeVals AI47.6%†–
MedScribeVals AI63.9%†–
AA-Omniscience v1.1: accuracyArtificial Analysis31.7%21.1%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis18.3%82.6%
指令遵循
IFBenchArtificial Analysis77.2%–
MultiChallengeScale AI SEAL60.6%–
TutorBenchScale AI SEAL51.5%–
Arena Instruction FollowingArena (LMArena)1409–
人类偏好
Arena TextArena (LMArena)1433–
Arena Creative WritingArena (LMArena)1415–
Arena Multi-turnArena (LMArena)1435–
Arena Longer QueriesArena (LMArena)1430–
多模态
Arena VisionArena (LMArena)1240–
MMMU-ProArtificial Analysis75.5%–
VISTAScale AI SEAL46.9%–
MMMU-Pro (Vals)Vals AI82.5%†–
MortgageTaxVals AI68.0%†–
GeoBenchGeoBench83.0%–
长上下文
AA-LCR v1.1Artificial Analysis74.3%–
MLCRArtificial Analysis5.0%18.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub145.0–
AA Intelligence Index v5.0.1Artificial Analysis6.236.0
AA Intelligence Index v4.3.2Artificial Analysis15.6–
AA Progress Index v1Artificial Analysis244.1–
Vals IndexVals AI–60.5
Vals Finance IndexVals AI–60.9%
Vals Multimodal IndexVals AI41.4%†–
Vals Legal IndexVals AI–75.7%
安全与诚实
FORTRESSScale AI SEAL51.0%11.9%†
MASKScale AI SEAL48.4%–

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • Gemini 3.1 Flash Lite:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Ember (max):1 项新结果(Arena Agent)。
  • Gemini 3.1 Flash Lite:1 项新结果(GeoBench)。
  • Muse Ember (max):2 项新结果(MLCR, Arena WebDev)。
  • Gemini 3.1 Flash Lite:BenchLeader Index 53.2 → 52.4。
  • Gemini 3.1 Flash Lite:3 项新结果(AA Intelligence Index v5.0.1, CritPt v2 hard subset (AA), FrontierCode 2.0 (AA));1 项分数修订。
  • Gemini 3.1 Flash Lite:BenchLeader Index 54.4 → 53.2。
  • Gemini 3.1 Flash Lite:5 项新结果(HLE-Diamond (AA), AA-Omniscience v1.1, AA-Omniscience v1.1: accuracy…)。
  • Gemini 3.1 Flash Lite:1 项新结果(AA Progress Index v1)。
  • Gemini 3.1 Flash Lite:BenchLeader Index 54.9 → 54.4。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Gemini 3.1 Flash Lite vs Muse Ember:常见问题

Gemini 3.1 Flash Lite 比 Muse Ember 更好吗?
Gemini 3.1 Flash Lite 与 Muse Ember (max) 的质量不相上下(52.6 比 52.1,在 ±6.3 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Gemini 3.1 Flash Lite 和 Muse Ember 哪个更便宜?价格会变吗?
目前 Muse Ember 更便宜:每百万 token $0.200 比 $0.563(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Gemini 3.1 Flash Lite 还是 Muse Ember 更好?
Muse Ember 在编程方面得分更高(类别得分 60 比 43,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Gemini 3.1 Flash Lite 为 1256,Muse Ember 为 1609。
Gemini 3.1 Flash Lite 和 Muse Ember 哪个更快?
Muse Ember 输出更快(输出 437 比 301 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.1 Flash Lite 还是 Muse Ember 更好?
Muse Ember 在智能体任务方面得分更高(类别得分 52 比 43,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者都支持 1,048,576 token 的上下文。
哪个延迟更低?
Gemini 3.1 Flash Lite 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.5 秒比 5.0 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Gemini 3.1 Flash Lite 和 Muse Ember 的看法一致吗?
在两者都有结果的 13 项基准测试中,Gemini 3.1 Flash Lite 领先 1 项,Muse Ember 领先 12 项。所有同时评测两者的综合评分都认为 Muse Ember 更强。
Muse Ember 是什么时候发布的?
Muse Ember 于 2026年11月9日 发布。